你要一条 30 秒的产品短片，工具开着，提示词那栏空着。你想了想，打了「一个好看的产品展示」。出来的东西：一个不知道在卖什么的东西，镜头不动，五秒不到就结束了。
问题不在工具，在你给的信息里没有"画面怎么动"。文字提示词写"写什么"就够了，视频提示词得写"镜头怎么走、光从哪来、几秒钟"。这篇按五类常见场景，每条给你能直接复制的完整指令。
视频提示词和文字提示词差在哪
文字提示词里，形容词还有用；视频提示词里，形容词基本没用。模型不知道"高级"长什么样，但它知道"顶部柔光、背景浅灰渐变、镜头从 45 度俯视推近"是什么样。
所以视频提示词的写法是：把感觉翻译成能拍出来的动作。你觉得高级，是因为光、构图、材质、节奏，那就把这四样写出来。
七件套骨架
每一条视频提示词都可以按这个顺序拼，缺哪一件，成片就在哪一件上出问题。
主体：谁／什么东西，具体到什么颜色、什么材质
动作：它在做什么，动作幅度大不大
环境：在哪，背景有什么，干净还是杂乱
镜头：景别（特写／半身／全景）＋运动（推、拉、摇、移、跟随、固定）
光线：光源方向、软硬、冷暖
风格：写实／插画／电影感／定格动画，只选一到两个
参数：时长、画面比例七件套不是必须写满七行，但你心里得七样都有。少写一样，就等于把这一样交给模型随机决定。
口播类
最关键的是"稳"。口播画面里如果镜头乱动、背景杂乱，观众听不进去。
一位三十岁左右的男性讲师站在浅灰色背景前，正面半身构图，面向镜头自然讲解，手势克制，眼神平视，柔和的正面光，画面干净无杂物，镜头固定不移动，时长 10 秒，比例 9:16，不要背景音乐。要点：写"镜头固定不移动"。口播类最常翻的车就是模型自作主张加了推拉，配上配音后画面和嘴型对不上。
产品展示类
最关键的是"镜头怎么动"。产品不动，画面必须动，否则就是一张图。
一只白色无线耳机放在深灰色大理石台面上，镜头从 45 度俯视缓慢推近到耳机特写，顶部柔光勾出耳机边缘，背景浅灰渐变虚化，画面写实、有细微划痕质感，时长 8 秒，比例 16:9。要点：推近（dolly in）比"环绕"稳，环绕容易在中途把产品转到背面，露出没设计过的部分。第一次出片先用推近。
教程类
最关键的是"看得清"。教程画面一旦模糊、手挡住操作区，这条素材就废了。
俯拍视角，一双手在木质桌面上操作手机，手机屏幕内容清晰可读、不被手遮挡，画面稳定不抖动，自然光从左上方照入，浅景深，时长 15 秒，比例 16:9，画面里不要出现文字水印。要点：写"屏幕内容清晰可读、不被手遮挡"。这两个约束能挡掉大部分废片。另外别忘了写"不要文字水印"，很多模型会自己在角落加一行小字。
短剧类
最关键的是"情绪落在哪个镜头"。短剧不是一条提示词拍完的，是几个镜头拼起来，所以每条只负责一个情绪。
夜晚便利店门口，一位穿深色风衣的女性推门走出，镜头跟随她向前移动，路灯暖光从右侧打来，雨后地面有反光，电影感调色，情绪是犹豫，时长 6 秒，比例 9:16。反打可以再写一条：
夜晚便利店门口，一位男性站在原地，脸部特写，侧逆光，表情克制但眼神有波动，背景虚化成暖色光斑，时长 4 秒，比例 9:16。要点：情绪要写成"能演出来的状态"，比如"犹豫"要配上"脚步放慢、回头"，只写"悲伤"模型只能给你一张苦脸。
B-roll 空镜
最关键的是"给剪辑留余地"。空镜不是主角，是用来垫节奏的，所以画面要简单、可裁切。
清晨城市街道空镜，一位骑车人从画面右侧经过，广角镜头缓慢横移，薄雾，逆光暖调，画面有生活痕迹但不杂乱，时长 5 秒，比例 16:9。要点：动作要"经过"而不是"停留"，经过的镜头好裁，停留的镜头一裁就断。多要 2 秒余量，剪辑时才敢用。
想换成你的场景，改这几个词
不用重写整条，改三处就够：
第一处换主体和材质。把"白色无线耳机"换成你的产品，材质写具体：磨砂、亮面、织物、金属拉丝。材质词决定质感，比"高级"有用得多。
第二处换镜头运动。推近适合产品，跟随适合人物，横移适合空镜。拿不准就先用固定机位，固定最不容易翻车。
第三处换时长和比例。竖屏短视频写 9:16，横屏写 16:9，时长按你的剪辑节奏给，不要一次要 30 秒——单条提示词生成的时长越长，后半段越容易崩。
一条反面例子
这条提示词是我见过最多人写的：
一个高级感的产品视频，一定要好看，有质感，电影感，氛围感拉满出来的结果通常是：主体是一团看不清的东西，镜头完全不动，画面风格随机（这次是插画，下次是实拍），时长也不受控。
为什么会这样：这里没有一个可执行的描述。"高级感"是评价，"顶部柔光勾边"才是指令。评价模型听不懂，指令它才听得懂。
改法也简单，把它拆成七件套：主体写清是什么东西什么颜色，加一句镜头怎么动，加一句光从哪来，风格只留一个，最后给时长和比例。上面五类场景的模板都是这么来的。
三条容易踩的边界
第一条，别在提示词里写真人姓名、明星形象、受版权保护的角色。生成出来的东西不能商用，还容易踩侵权。
第二条，别指望一条提示词拍完整个故事。视频模型擅长单镜头，多镜头要靠你分别写、分别生成、后期拼。
第三条，画面里的文字基本靠不住。想让视频里出现准确的中文字幕或价格，生成完再后期加，别让模型自己写。
最后
视频提示词的门槛不在文采，在你愿不愿意把"感觉"翻译成"拍法"。七件套填满，比形容词堆十句都管用。
动手之前，先用上面最短的那条口播模板跑一次，看它在你的素材上到底听不听话，再决定要不要为这个工具投入时间。
